Corrector atmosférico en imágenes Landsat
Atmospheric corrector in Landsat images
Luis Alberto Palacios Sánchez1, Fernando Paz Pellat1‡, José Luis Oropeza Mota1,
Benjamín Figueroa Sandoval1, Mario Martínez Menez1,
Carlos A. Ortiz Solorio1 y Adolfo Exebio García1
1
Colegio de Postgraduados, Campus Montecillo. 56230 Montecillo, Estado de México, México.
‡
Autor responsable (ferpazpel@gmail.com)
RESUMEN
Los efectos atmosféricos en las imágenes satelitales
distorsionan la información disponible y originan
errores en la estimación de las variables biofísicas
provenientes de los datos espectrales. En este trabajo se
desarrolló un algoritmo de corrección atmosférica que
se basó en la correlación existente entre la reflectancia
de la banda 7 (infrarrojo medio, 2.2 μm) y la banda 1
(Azul, 0.485 μm) de la vegetación, para los sensores
TM y ETM+. La ordenada al origen de la regresión
entre la banda 7 y la banda 1 de imágenes Landsat
es un estimador de la reflectancia de trayectoria en
la banda 1. Con esta reflectancia de trayectoria y un
modelo de atmósfera y aerosol def inido, es posible
estimar el espesor óptico de los aerosoles centrado en
0.55 μm. El algoritmo se apoyó en el acoplamiento de
varios modelos de simulación y bibliotecas de datos
espectrales para la representación del sistema óptico
suelo–vegetación–atmósfera. La vegetación en una
imagen se identif ica mediante un clasif icador genérico
de objetos en cuatro variantes: oscura densa, cobertura
alta, media y baja. El algoritmo se probó en dos fases,
la primera se basó en un análisis empírico sobre los
resultados de la simulación del sistema óptico suelo–
vegetación–atmósfera, en el que se tenían condiciones
controladas. En la segunda fase se validó el algoritmo
con 7 imágenes ETM+ cuyas escenas contenían un
sitio de la red robótica de aerosoles (AERONET), la
cual mide con gran precisión el espesor óptico de los
aerosoles en diferentes intervalos de longitud de onda.
El análisis de los resultados mostró que el corrector
Cita recomendada:
Palacios Sánchez, L. A., F. Paz Pellat, J. L. Oropeza Mota, B. Figueroa
Sandoval, M. Martínez Menez, C. A. Ortiz Solorio y A. Exebio García.
2018. Corrector atmosférico en imágenes Landsat. Terra Latinoamericana
36: 309-321.
DOI: https://doi.org/10.28940/terra.v36i4.232
estima el espesor óptico de la escena con un ajuste:
R2 = 0.97, error típico de 0.059 (20.3%) y que representa
bien la variabilidad espacial de carga de aerosoles en
imágenes Landsat.
Palabras clave: radiancia de trayectoria, aerosoles,
simulaciones de transferencia de radiación, espesor
óptico.
SUMMARY
Atmospheric effects in satellite imagery distort
the available information and generate errors in the
estimation of biophysical variables from spectral data.
An atmospheric correction algorithm was developed
based on the correlation between the reflectance of
band 7 (medium infrared, 2.2 μm) and band 1 (Blue,
0.485 μm) of vegetation, for TM and ETM+ sensors.
The intercept of the regression between band 7 and
band 1 of Landsat imagery is an estimator of path
reflectance in band 1. With this path reflectance and a
def ined atmosphere and aerosol model, it is possible
to estimate the optical thickness of aerosols centered
at 0.55 μm. The algorithm was based on coupling of
several simulation models and spectral data libraries
to represent the soil-vegetation-atmosphere optical
system. Vegetation in an image is identif ied by a generic
object classif ier in four vegetation variants: dark
dense, high, medium and low coverage. The algorithm
was evaluated in two phases, the f irst was based on
empirical analysis of the results of the simulation of the
soil-vegetation-atmosphere optical system, in which
Recibido: febrero de 2018. Aceptado: julio de 2018.
Publicado en Terra Latinoamericana 36: 309-321.
310 TERRA LATINOAMERICANA VOLUMEN 36 NÚMERO 4, 2018
controlled conditions were maintained. In the second
phase, the algorithm was validated with 7 ETM +
images whose scenes contained a site of the aerosol
robotic network (AERONET), which accurately
measures the optical thickness of aerosols in different
wavelengths. The analysis of results showed that the
corrector estimates the optical thickness of the scene
with good adjustment: R2 = 0.97, Root Mean Squared
Error of 0.059 (20.3%) and represents well the spatial
variability of aerosol load in Landsat imagery.
Index words: path radiance, aerosols, radiative
simulations, optical thickness.
INTRODUCCIÓN
Las imágenes que provienen de sensores ubicados en
satélites captan muestras del espectro electromagnético
que emite el Sol; esta radiación electromagnética recorre
el espacio hacia la Tierra, en la cual se refleja o emite
en otras longitudes de onda. Sin embargo, la atmósfera
de la Tierra no es completamente transparente, ya que
los gases existentes en ella, como el vapor de agua,
O2, O3, CH4, CO2, N2O, principalmente, absorben
y dispersan la radiación en diferentes longitudes de
onda. Adicionalmente, los aerosoles suspendidos en la
atmósfera, absorben y dispersan la luz en longitudes
de onda que dependen del tamaño de las partículas en
suspensión (Vermote et al., 1997).
La distribución de los gases atmosféricos es más o
menos uniforme en una imagen del tamaño que captan
los sensores TM5 y ETM+, aunque puede variar el
contenido de vapor de agua y ozono en relación con
el tiempo. Los aerosoles pueden tener una variación
espacial y temporal signif icativa en las imágenes
Landsat, lo que depende de los fenómenos que los
producen, los cuales pueden ser antropogénicos o
naturales. Esta variación de la turbidez atmosférica
ocasiona que las f irmas espectrales de objetos
terrestres o índices de vegetación de una imagen
presenten cambios importantes (Kaufman y Tanré,
1996), los cuales son fuente de errores no atribuibles
a los sensores.
El efecto atmosférico es el cambio en la intensidad
de radiación en una longitud de onda particular por
efecto de la absorción y dispersión que ocasionan
las moléculas y aerosoles presentes en la atmósfera.
La absorción es el proceso mediante el cual la
energía radiante incidente se transforma en otro tipo
de energía, o en energía de otra frecuencia, por las
moléculas gaseosas y partículas suspendidas en el
aire. La dispersión es el proceso mediante el cual la
energía incidente reaparece en otras direcciones como
radiación dispersa, por la interacción con moléculas y
partículas de la atmósfera (Chandrasekhar, 1960).
Solo parte de la radiación que incide interactúa
con la atmósfera, en donde disminuye por efecto de
la absorción y se dispersa en todas direcciones. La
señal de esta radiación dispersa que capta el sensor
es la radiancia de trayectoria y sólo lleva información
de los componentes atmosféricos (Vermote et al.,
1997). También algunos fotones que interactúan con
la superf icie terrestre en la cercanía de la zona de
interés cambian de trayectoria por los componentes
atmosféricos y se detectan por el sensor del satélite.
Esta es la radiancia ambiental y lleva información de
objetos de la superf icie terrestre cercanos a la zona de
interés (Kaufman y Tanré, 1996; Vermote et al., 1997).
Finalmente, la superf icie de interés refleja los fotones
que atraviesan la atmósfera y los capta el sensor, lo
cual se denomina radiancia directa. Esta radiación es
la que interesa al analista, por llevar información de los
objetos terrestres (Kaufman et al., 1997).
La atenuación de la energía radiante de los fotones
provenientes del Sol se especif ica por la transmisividad,
que consta de cuatro componentes (Chandrasekhar,
1960; Vermote et al., 1997): 1) por la trayectoria del
Sol a la superf icie terrestre (uso del subíndice s); 2) por
trayectoria de la superf icie terrestre al sensor (uso de
subíndice v), transmisividad de los gases (Tgs y Tgv) y
de los aerosoles (Ts y Tv); 3) la radiancia de trayectoria
(ra); y 4) por la interacción múltiple de los fotones con
la atmósfera y la superf icie terrestre, la cual es función
del albedo esférico (S). La dirección de visión se
describe con el ángulo cenital de visión qv y el ángulo
acimutal fv, y los ángulos solares como el cenital qs y
acimutal fs.
Así, la relación que existe entre la reflectancia que
recibe el sensor (ρ*) con la reflectancia de la superf icie
(ρo), se def ine por la Ecuación (1) (Vermote et al.,
1997):
(1)
 PALACIOS ET AL. CORRECTOR ATMOSFÉRICO EN IMÁGENES LANDSAT
Al despejar la Ecuación (1) se obtiene la reflectancia
en la superf icie terrestre del objeto de interés (ρo). A esta
operación se le denomina corrección atmosférica.
En la Figura 1 se muestra el resultado de simular
diferentes condiciones de turbidez atmosférica con el
modelo 6S (Second Simulation of the Satellite Signal in
the Solar Spectrum) (Vermote et al., 1997), a una f irma
espectral del maíz (Zea mays) simulado con el Modelo
MCRM2 (Multispectral Canopy Reflectance Model
version 2; Kuusk, 1994 y 2001). La etiqueta Superf icie
corresponde a la f irma espectral como si las reflectancias
se midieran en la superf icie terrestre, mientras que las
otras series corresponden a mediciones en el satélite
Landsat 7. τ550 corresponde al espesor óptico en la
longitud de onda de 0.55 μm (550 nm), el cual es un
indicador de la turbidez atmosférica que se utiliza en la
física atmosférica (Vermote et al., 1997). En la f irma
espectral del maíz, se puede apreciar que la turbidez
atmosférica aumenta la reflectancia de las bandas
visibles y la disminuye para las bandas infrarrojas;
también se observa que el efecto atmosférico en la
porción infrarroja del espectro disminuye conforme
aumenta la longitud de onda.
Si se realiza un análisis multitemporal de imágenes
satelitales, es necesario homogeneizar las condiciones
atmosféricas a una imagen de referencia, o eliminar el
efecto atmosférico de las imágenes (Paz et al., 2006). Las
imágenes TM se utilizan extensivamente para el análisis
de las condiciones de cultivos agrícolas, inventarios
forestales, levantamientos geológicos, estimación de
recursos hidráulicos, valoración de zonas costeras y
muchas otras aplicaciones. Conforme el análisis de
Figura 1. Efecto atmosférico en la firma espectral del maíz
(Zea mays). A mayor valor del espesor óptico τ550, mayor es la
turbidez de la atmósfera.
311
esta información se vuelve más cuantitativo, el obtener
reflectancias de objetos sobre la superf icie terrestre
cobra mayor importancia. Por ejemplo, los modelos
de transferencia de radiación que se invierten para la
estimación de parámetros biofísicos de la vegetación
necesitan, forzosamente, estimar la reflectancia
en la superf icie terrestre (Kaufman y Tanré, 1996;
Liang et al., 2001). Desgraciadamente, un porcentaje
importante de estas imágenes presentan contaminación
por aerosoles, vapor de agua, nubes y sombras. Si se
pudieran eliminar estos factores de las imágenes de los
satélites Landsat, éstas serían potencialmente de mayor
utilidad para el analista (Liang et al., 2001).
Actualmente existen varios modelos que permiten
aplicar una corrección atmosférica a imágenes Landsat
TM/ETM+, como son: el programa ATmospheric
REMoval (ATREM, Gao and Goetz, 1990, ya no tiene
soporte y no está disponible para nuevos usuarios),
Atmospheric CORrection Now (ACORN, Berk et al.,
1999), el Fast Line-of-sight Atmospheric Analysis
of Spectral Hypercubes (FLAASH, Adler-Golden
et al., 1999), ATCOR (Richter, 1996; Richter y
Schläpfe, 2016) basados en el modelo de transferencia
de radiación MODTRAN (MODerate resolution
atmospheric TRANsmission, (Berk et al., 1999, 2014).
Últimamente se han desarrollado programas como
MAJA, (MACCS-ATCOR Joint Algorithm) donde
MACCS fue el software de corrección atmosférica
y detección de nubes, desarrollado por CNES y
CESBIO, y ATCOR es el software de corrección
atmosférica desarrollado por DLR (Hagolle et al.,
2017). Sin embargo, estos programas, con excepción
de MAJA que no tiene costo con f ines de investigación
y sólo corre en el sistema operativo Linux, no están
disponibles al público o se encuentran como módulos
extra en programas de procesamiento de imágenes con
un costo elevado.
El objetivo de este trabajo fue desarrollar un
método de corrección, espacialmente explícito y con
base en patrones espectrales de objetos oscuros, de los
efectos atmosféricos en las imágenes Landsat.
La corrección atmosférica de los satélites Landsat
requiere dos hipótesis: 1) existencia de una correlación
entre las bandas visibles y la banda infrarroja media
con ordenada al origen cero para la vegetación; 2) que
el efecto de la reflectancia de trayectoria no afecta
signif icativamente la reflectancia de la banda infrarroja
media (Figura 1). Las hipótesis se basan en evidencia
empírica de diversos autores (Kaufman y Sendra, 1988;
312 TERRA LATINOAMERICANA VOLUMEN 36 NÚMERO 4, 2018
Kaufman et al., 1997; Liang et al., 2001), que muestran
una correlación entre las reflectancias de las bandas
que se indican para objetos oscuros, principalmente
vegetación densa oscura. Sin embargo, Wen et al.
(1999) plantearon que agrupar píxeles con reflectancia
similar permite obtener mejores resultados.
Si es posible discriminar la vegetación en diferentes
grados de cobertura del suelo de otros objetos sobre
la superf icie terrestre, de una manera rápida y precisa,
es posible obtener mejores correlaciones para la
estimación de la reflectancia de trayectoria.
MATERIALES Y MÉTODOS
Con base en las dos suposiciones anteriores, se
puede reescribir la Ecuación (1), primero para las
bandas visibles como (Wen et al., 1999):
(2)
donde: es la reflectancia aparente en el satélite
para una banda en la porción visible del espectro
electromagnético, es la reflectancia de trayectoria
con efecto de la transmisividad de gases para una
banda visible, es el resultado de multiplicar la
transmisividad de gases, de aerosoles en la trayectoria
de iluminación y de aerosoles en la trayectoria de visión
para la misma banda visible. Para el caso de la banda
centrada en 2.2 μm, al no existir un efecto apreciable de
la reflectancia de trayectoria (Figura 1), ésta se puede
eliminar de la Ecuación (2) por lo que quedaría como:
(3)
Si se considera que el producto es pequeño
(interacciones de primer orden), tal como ocurre con las
bandas visibles, la Ecuación (2) se podría simplif icar a:
(4)
Si se usa la hipótesis de una relación entre la banda
visible y la banda infrarroja media, se puede plantear
como (Wen et al., 1999; Kaufman et al., 2002):
(5)
donde: γ es una constante empírica.
Al sustituir la Ecuación (5) en la (3), la reflectancia
aparente en el satélite queda como (Wen et al., 1999):
(6)
Por lo que si la banda visible se relaciona linealmente
en la superf icie con la banda infrarroja media, implica
que también se relacionan linealmente en el satélite, y
la ordenada al origen de esta relación corresponde a la
reflectancia de trayectoria de la banda visible.
En las aplicaciones operacionales del esquema
de corrección atmosférica descrito, la variable γ de la
relación (5) se supone constante (γ = 0.25 para la banda
1 o del Azul y γ = 0.5 para la 3 o del Rojo) (Kaufman
et al., 1997). Esta suposición es muy restrictiva e implica
un tipo de vegetación genérica con propiedades ópticas
similares. El algoritmo propuesto en este trabajo hace
dinámica la obtención de γ, sin requerir la hipótesis de
vegetación genérica.
Para el desarrollo y validación del corrector
atmosférico, se utilizaron dos enfoques: generación de
efectos atmosféricos en simulaciones de transferencia
de radiación de la mezcla suelo-vegetación y análisis
de imágenes Landsat en sitios con información de
espesores ópticos.
Para las simulaciones de transferencia de radiación
de la mezcla suelo-vegetación se utilizó el Modelo
MCRM2 (Kuusk, 1994 y 2001). Este modelo a su vez
incluye dos modelos para simular las características
ópticas de las hojas y el suelo: (1) Modelo PROSPECT
(Jacquemoud et al., 1996), para la simulación de la
reflectancia y transmitancia de las hojas en función
de su estructura, contenido de clorof ila, pigmentos
cafés, así como materia seca y agua; y (2) funciones
base de Price (1990) para la simulación de reflectancia
de suelos. Para la base de datos de espectros de
reflectancia y transmitancia de las hojas se usaron
los datos del experimento LOPEX93 (Leaf Optical
Properties EXperiment 1993) (Hosgood et al., 1993).
Para la base de espectros de reflectancia del suelo se
usó la biblioteca de ASTER (JPL, 1999). Finalmente,
para generar efectos atmosféricos se utilizó el Modelo
6S de Vermote et al. (1997). La Figura 2 muestra la
integración del modelo MOSAD, Modelo de simulación
de albedos en doseles, desarrollado por los autores.
Con el programa MOSAD se hicieron una serie
de combinaciones de 5 efectos atmosféricos en 6
tipos de suelo, 9 especies vegetales y para 18 estados
 PALACIOS ET AL. CORRECTOR ATMOSFÉRICO EN IMÁGENES LANDSAT
Figura 2. Integración de modelos de simulación y bases de firmas espectrales, MOSAD.
de desarrollo del cultivo, lo que se representó por
valores ascendentes del índice de área foliar (IAF).
Las 9 especies vegetales se seleccionaron para variar la
arquitectura del dosel, esto es, la distribución angular
de la inclinación de las hojas: planóf ilas, esféricas y
erectóf ilas (Wang et al., 2007). Además, se simularon
5 efectos atmosféricos con un IAF de cero para contar
con la reflectancia de los suelos desnudos; el total
de combinaciones fue de 4890. Posteriormente, se
aplicaron las funciones de respuesta de las bandas
ETM+ y TM5 a los espectros resultantes, con lo que
se contó con simulaciones en las 6 bandas reflectivas
de estos sensores. Con la simulación del sistema suelo–
vegetación–atmósfera para diferentes tipos de especies
vegetales, suelos y efectos atmosféricos se obtienen
combinaciones de reflectancia de diferentes coberturas
vegetación-suelo y en condiciones variantes de efectos
atmosféricos. En el caso de las imágenes de satélite se
aplicó un algoritmo de clasif icación genérica de objetos
(Palacios et al., 2006), que identif ica la vegetación en
diferentes niveles de cobertura, suelo, nubes, bruma,
agua, hielo, objetos artif iciales, sombra y otros objetos.
Para aplicar el algoritmo de corrección de efecto
atmosférico se realizó un análisis de regresión de
las reflectancias de la vegetación entre la banda 7 y
las bandas 1 y 3 de los sensores TM5 y ETM+, para
las simulaciones de transferencia de radiación de la
vegetación.
313
En el caso de las imágenes satelitales, se generaron
tablas de búsqueda con parámetros atmosféricos, para
la obtención del espesor óptico a 0.55 μm, a partir de
la reflectancia de trayectoria de las bandas 1 y 3. Las
tablas se construyeron para los sensores Landsat TM
y ETM+ mediante el modelo 6S, con variación de
las condiciones de iluminación (ángulo cenital solar),
altitud de la superf icie sobre el nivel medio del mar
y espesor óptico atmosférico. Las tablas incluyen las
combinaciones de tres modelos de distribución de
gases: tropical, verano latitud media e invierno latitud
media, así como para seis tipos de aerosol: continental,
marítimo, urbano, desértico, quema de biomasa y
estratosférico. En el presente trabajo se generaron
tablas de búsqueda para 8 ángulos cenitales solares, 6
altitudes, 9 espesores ópticos, 3 modelos atmosféricos
y 6 modelos de aerosol, lo que generó 2592 valores para
la reflectancia de trayectoria por banda. Posteriormente
se codif icó un algoritmo de corrección atmosférica con
base en regresiones entre la banda 7 y las bandas 1 y 3
de los sensores TM / ETM+. Con el f in de representar
la variabilidad espacial de los aerosoles en una imagen
de las dimensiones de las del satélite Landsat, ésta se
dividió en una malla cuyos nodos son el centro de una
ventana donde se aplica el algoritmo de corrección. El
tamaño que se sugiere es de cuadrados de 1000 píxeles
de lado lo que representa un cuadrado de 30 km
de lado por la resolución de las imágenes Landsat.
314 TERRA LATINOAMERICANA VOLUMEN 36 NÚMERO 4, 2018
Con la reflectancia de trayectoria que se estimó en las
bandas 1 y 3, se obtuvo un estimado del espesor óptico
de los aerosoles en la malla def inida por el usuario,
donde se considera una distribución homogénea de los
aerosoles. En cada celda de la malla se simularon los
parámetros atmosféricos, mediante el modelo 6S, para
posteriormente obtener reflectancias en superf icies
para todas las bandas reflectivas de las imágenes TM
/ ETM+. Una vez que se estimaron los espesores
ópticos de los aerosoles en cada nodo de la malla, se
comprobó que no existieran valores faltantes; cuando
se detectó su existencia, los valores se interpolaron
mediante una función Lipschitz (Beliakov, 2006),
que es un interpolador multivariado que minimiza el
error en la aproximación de la función, sin importar la
distribución de los valores faltantes, motivo por el que
se seleccionó este algoritmo. Con la malla llena con
valores del espesor óptico en cada nodo, se densif icó
mediante una interpolación bilineal, para estimar
los espesores ópticos en las cuatro esquinas de una
ventana; con este procedimiento se pasó de contar con
un valor al centro de la ventana a uno en cada esquina.
Esto se realizó con el f in de acelerar el proceso de
interpolación bilineal de los parámetros atmosféricos
en los píxeles de una ventana. Finalmente, se realizó la
validación del algoritmo de corrección atmosférica con
simulaciones de transferencia de radiación y con siete
imágenes ETM+ con información de medidas in situ
de las condiciones atmosféricas y se realizó un análisis
de correlación entre el espesor óptico estimado por el
modelo y los valores medidos por la red AERONET.
RESULTADOS Y DISCUSIÓN
Se formuló un código donde se integraron los
modelos de simulación MCRM2 al que se le incorporó
la biblioteca de encadenado dinámica del modelo
6S, para que la simulación fuera del sistema suelo–
vegetación-atmósfera. Los flujos de radiación directos
y difusos que se estimaron por el modelo 6S alimentan
al modelo MCRM2 para el cálculo de la reflectancia
del dosel bajo una condición específ ica de turbidez
atmosférica. Aun cuando se mide la reflectancia en
superf icie, las condiciones de turbidez de la atmósfera
generan proporciones específ icas de las fracciones
directa y difusa de la radiación incidente, por lo que
la f irma espectral de un dosel en particular, varía en
función de estas proporciones.
Los diferentes tipos de vegetación generan patrones
lineales entre la banda visible e infrarrojo medio para
diferentes valores del índice de área foliar, en la Figura 3
se muestra la reflectancia simulada de las bandas 7 y 1
y en la Figura 4 para las bandas 7 y 3. Las pendientes
de rectas ajustadas a estos patrones, varían en función
de la distribución angular de las hojas; sin embargo, la
ordenada al origen para las bandas 7 y 1 en el conjunto
completo, es muy cercana a cero. La ordenada al origen
de la correlación entre la banda 7 y la 3 es diferente de
cero ya que presenta un sesgo negativo y se descarta
como estimador de la reflectancia de trayectoria de la
banda 3, por lo que en los sucesivo se utilizará sólo la
relación entre las bandas 7 y 1.
Con la reflectancia de trayectoria que se estimó en
la banda azul, al especif icar el modelo atmosférico, el
modelo de aerosol, el ángulo cenital solar y la altitud
sobre el nivel medio del mar, es posible invertir el
modelo 6S, para estimar el espesor óptico a 0.55 μm.
Una vez que se calcula el espesor óptico, se determinan
automáticamente los parámetros necesarios para
efectuar la corrección atmosférica. En la Figura 5 se
puede apreciar el excelente ajuste entre las reflectancias
de trayectoria que se simularon y estimaron mediante
regresión entre las bandas 7 y 1 del sensor ETM+.
Los valores que se analizaron tienen condiciones
atmosféricas que van desde muy claras, con espesor
óptico de 0.07, hasta condiciones muy turbias con
espesor óptico de 1.0. También se simularon tres
modelos atmosféricos y tres aerosoles, bajo diferentes
condiciones de iluminación. El coef iciente de
determinación ajustado de la regresión fue de 0.998
con un error típico (RMSE) de 0.001 (1.25%).
Las regresiones se realizan sobre píxeles con
vegetación, y en una imagen Landsat, ésta se identif ica
mediante un clasif icador genérico de objetos (Palacios
et al., 2006); este clasif icador no necesita de muestras
en campo para la identif icación, ya que se basa en
la forma de la f irma espectral de los objetos. Esta
característica lo hace rápido y ef iciente.
El algoritmo se validó con 7 imágenes Landsat
(Cuadro 1), que cuentan con sitios de la red robótica
de aerosoles (AERONET), los cuales estiman las
condiciones atmosféricas con gran precisión; estos
sitios incluyeron tres modelos atmosféricos de
distribución de gases y tres modelos de aerosol. Los
resultados mostraron que el corrector está a la altura
de los mejores algoritmos de su clase en la estimación
 PALACIOS ET AL. CORRECTOR ATMOSFÉRICO EN IMÁGENES LANDSAT 315

Figura 3. Reflectancias de trayectoria simuladas y estimadas por regresión para las bandas 7 y 1.

del espesor óptico de los aerosoles, con un error típico
del espesor óptico a 0.55 μm de 0.059 contra valores de
0.05 a 0.07 reportados (Vermote and Vermeulen, 1999;
Remer et al., 2006; Guanter et al., 2008).
Un problema que se asocia con la corrección
atmosférica de imágenes Landsat es el desconocimiento
del modelo atmosférico y del tipo de aerosol (Paz et al.,
2008). En caso de que no se especif ique el modelo de
aerosol, se utiliza un algoritmo para su estimación,
el cual se generó siguiendo los criterios definidos en
Vermote et al. (2002), en donde especif ica el tipo de
aerosol en función del exponente de Ängstrom y del
espesor óptico a 0.55 μm. Debido a que no se cuenta
con el exponente de Ängstrom, el algoritmo se basa en
el coef iciente de variación de los aerosoles, tal como se
muestra en la Figura 6.
El modelo de atmósfera se le proporciona al
algoritmo, o lo estima a partir de la latitud media de
la ventana. Si el valor absoluto de la latitud es inferior
a 23.45° se considera tropical. Si es superior o igual
a 23.45°, se considera latitud media; con la fecha de
la imagen se determina si es invierno o verano (boreal
o austral) y de esta manera se especif ica el modelo:
verano latitud media o invierno latitud media.
316 TERRA LATINOAMERICANA VOLUMEN 36 NÚMERO 4, 2018

Figura 4. Reflectancias de trayectoria simuladas y estimadas por regresión para las bandas 7 y 3.

En la Figura 7 se presenta el algoritmo de corrección

Figura 5. Reflectancias de trayectoria simuladas y estimadas
por regresión para las bandas 7 y 1.
atmosférica, tal como se codif icó en el programa
desarrollado por los autores.
En la Figura 8 se muestra una comparación entre
el espesor óptico de los aerosoles que se midieron por
AERONET y los que se estimaron por el algoritmo
propuesto en el presente trabajo. Las líneas punteadas
corresponden a los intervalos de conf ianza que
establecen Remer et al. (2006) para la estimación del
espesor óptico sobre la tierra, los cuales se muestran
en la Ecuación (7). Los intervalos se def inieron para
el sensor Moderate Resolution Imaging Spectometer
(MODIS); sin embargo, dada la similitud de las bandas
(aunque no la resolución espacial) con las equivalentes
 PALACIOS ET AL. CORRECTOR ATMOSFÉRICO EN IMÁGENES LANDSAT 317

Cuadro 1. Escenas Landsat ETM+ utilizadas en la validación.

Sitio AERONET Escena (WRS2) Fecha Hora (TMG) Longitud Latitud

Cart_Site 028/035 09/07/2000 16:58:54 -97.486 36.607

Córdoba - CETT 229/082 01/01/2001 13:58:43 -64.464 -31.524
Cuiabá - Miranda 226/071 08/08/2001 13:34:24 -56.021 -15.729
Ilorin 191/054 06/02/2000 9:55:04 4.34 8.32
Konza_EDC 027/035 21/07/2001 16:50:29 -96.61 39.102
Maricopa 037/037 19/04/2000 17:56:03 -111.972 33.069
Toulouse 198/030 31/08/1999 10:28:58 1.374 43.575

de Landsat, es posible aplicar este intervalo de (7)

conf ianza en el presente trabajo. Este intervalo
acota la incertidumbre asociada a la estimación de la
reflectancia en superf icie y al modelo de aerosol, se
espera que el error sea del orden de Δτ = ± 0.05 a ± 0.1
para pequeños espesores ópticos y aumente a 20-30%
para altos espesores ópticos (Remer, 2006):
donde: Δτ es la diferencia del espesor óptico estimado
en relación con el medido por AERONET y τ es el
espesor óptico de los aerosoles a 0.55 μm.
La bondad de ajuste de la regresión entre los valores
del espesor óptico medido en AERONET y estimado

Figura 6. Algoritmo para la selección del modelo de aerosol.

318 TERRA LATINOAMERICANA VOLUMEN 36 NÚMERO 4, 2018

Figura 7. Algoritmo de corrección atmosférica.

por el algoritmo de corrección, es bueno, el coef iciente
de determinación ajustado fue de 0.973 y el error típico
de 0.059 (20.3%) (Figura 8).
En la Figura 9a se muestra una composición en color
verdadero de las bandas Rojo-Verde-Azul (RGB) de la
escena Landsat ETM+ 226/071 de fecha 08/08/2001
de Cuiabá–Miranda, sin corrección atmosférica y
la 9b muestra el resultado de aplicar el algoritmo de
corrección atmosférica propuesto, a la escena. Como se
puede apreciar en las f iguras, la corrección atmosférica
reduce la reflectancia de trayectoria de las bandas
visibles (reflejo de la atmósfera) por lo que el contraste
y el color de la imagen es mejor, asimismo corrige
(aumenta) la transmisividad de las bandas infrarrojas
(no visible en la Figura 9, ver Figura 1).
En la Figura 10 se muestra la distribución del espesor
óptico atmosférico de los aerosoles en una composición
RGB de la imagen ETM+ ya con procesamiento, que
corresponde a la misma escena; también se muestra la
ubicación del sitio AERONET con el espesor óptico
 PALACIOS ET AL. CORRECTOR ATMOSFÉRICO EN IMÁGENES LANDSAT 319

Figura 8. Comparación entre el espesor óptico en 0.55 μm medido

por AERONET y el estimado por el algoritmo de corrección
atmosférica, con los límites del intervalo de confianza.

interpolado a partir de los datos que se obtuvieron en

el sitio para los diferentes intervalos de longitud de
onda. Se generaron isolíneas de espesor óptico con
el f in de destacar la variabilidad existente del aerosol
en la imagen donde se observa que representa bien la
variabilidad espacial de carga de aerosoles.
Las diferencias más importantes del algoritmo que
se desarrolló, en relación con algoritmos operacionales
relativamente similares (Kaufman y Tanré, 1996;
Kaufman et al., 1997 y 2002; Liang et al., 2001) son:
Figura 10. Distribución de aerosoles en imagen corregida por
el algoritmo.
1.- No se supone una relación f ija entre las bandas del
visible y del infrarrojo medio, sino que se estima a partir
de las reflectancias por áreas de una imagen satelital
Landsat, lo que evita hipótesis de homogeneidad
espacial y patrones espectrales f ijos.

a) b)
Figura 9. (a) Escena del sitio Cuiabá–Miranda sin corrección atmosférica y (b) misma imagen corregida por el algoritmo.
320 TERRA LATINOAMERICANA VOLUMEN 36 NÚMERO 4, 2018
2.- En caso de desconocimiento del modelo atmosférico
y del aerosol (condición típica), éstos se estiman
mediante el uso de datos de la misma imagen satelital.
Este proceso permite hacer operativo el algoritmo bajo
condiciones de falta de información atmosférica.
3.- La estimación de los factores de corrección
atmosférica (inversión radiativa atmosférica) se genera
en una malla suavizada que evita cambios abruptos,
producto de estimaciones discretas, lo que permite
correcciones congruentes con las variaciones espaciales
que se esperan.
Las diferencias descritas, que se incluyen en el
algoritmo operacional, permiten una alta flexibilidad en
las aplicaciones, ya que se utilizan hipótesis genéricas
que se parametrizan en forma espacialmente explícita.
CONCLUSIONES
- La ordenada al origen de la regresión entre la banda 7
y la banda 1 de imágenes Landsat, que es un estimador
de la reflectancia de trayectoria en la banda 1, permite
estimar el espesor óptico de los aerosoles centrado
en 0.55 μm, siempre que se especif ique el modelo de
atmósfera y de aerosol.
- Se descarta la idea de que la ordenada al origen de
la regresión entre la banda 7 y la banda 3 (centrada
en 0.66  μm) de los sensores TM5 / ETM+, sea un
estimador conf iable de la reflectancia de trayectoria de
la banda 3.
- Se logró la identif icación de la vegetación en una
imagen Landsat, mediante un clasif icador genérico de
objetos, en cuatros variantes: vegetación oscura de alta
cobertura, vegetación de alta, media y baja cobertura.
- La validación del algoritmo con imágenes Landsat
demostró que el corrector está a la altura de los mejores
algoritmos de su clase en la estimación del espesor
óptico de los aerosoles, con un error típico del espesor
óptico a 0.55 μm de 0.059 contra valores de 0.05 a 0.07
reportados (Vermote and Vermeulen, 1999; Remer
et al., 2006; Guanter et al., 2008).
LITERATURA CITADA
Adler-Golden, S. M., M. W. Matthew, L. S. Bernstein, R. Y. Levine,
A. Berk, S. C. Richtsmeier, P. K. Acharya, G. P. Anderson, G.
Felde, J. Gardner, M. Hike, L. S. Jeong, B. Pukall, J. Mello, A.
Ratkowski, and H. -H. Burke. 1999. Atmospheric correction
for short-wave spectral imagery based on MODTRAN4.
Imaging Spectrometry V. Proc. SPIE 3753: 61-69. doi:
10.1117/12.366315.
Beliakov, G. 2006. Interpolation of Lipschitz functions. J. Comput.
Appl. Math. 196: 20-44 doi: 10.1016/j.cam.2005.08.011.
Berk, A., G. P. Anderson, L. S. Bernstein, P. K. Acharya, H. Dothe,
M. W. Matthew, S. M. Adler-Golden, J. H. Chetwynd, Jr., S.
C. Richtsmeier, B. Pukall, C. L. Allred, L. S. Jeong, and M.
L. Hoke. 1999. MODTRAN4 radiative transfer modeling for
atmospheric correction. Optical Spectroscopic Techniques and
Instrumentation for Atmospheric and Space Research III. Proc.
SPIE 3756: 348-353. doi: 10.1117/12.366388.
Berk, A., P. Conforti, R. Kennett, T. Perkins, F. Hawes, and J.
van den Bosch. 2014. MODTRAN6: A major upgrade of the
MODTRAN radiative transfer code. Proc. SPIE 90880H. doi:
1117/12.2050433.
Chandrasekhar, S. 1960. Radiative transfer. Dover Publications.
New York, NY, USA.
Gao, Bo-Cai and A. F. H. Goetz. 1990. Column atmospheric water
vapor and vegetation liquid water retrievals from airborne
imaging spectrometer data. J. Geophys. Res. 95: 3549-3564.
doi: 10.1029/JD095iD04p03549.
Guanter, L., L. Gómez-Chova, and J. Moreno. 2008. Coupled
retrieval of aerosol optical thickness, columnar water vapor
and surface reflectance maps from ENVISAT/MERIS data
over land. Remote Sens. Environ. 112: 2898-2913.
Hagolle, O., M. Huc, and C. Descardins, S. Auer, and R. Richter.
2017. MAJA ATBD Algorithm theoretical basis document.
doi: 10.5281/zenodo.1209633.
Hosgood, B., S. Jacquemoud, G. Andreoli, V. Verdebout, A. Pedrini,
and G. Schmuck. 1993. Leaf optical properties experiment 93
(LOPEX93). Joint Research Centre / IPSC / SERAC Unit TP
723. 21020 Ispra, Italy.
Jacquemoud, S., S. L. Ustin, J. Verdebout, G. Schmuck, G.
Andreoli, and B. Hosgood. 1996. Estimating leaf biochemistry
using the PROSPECT leaf optical properties model. Remote
Sens. Environ. 56: 194-202.
JPL (Jet Propulsion Laboratory). 1999. ASTER spectral library,
Jet Propulsion Laboratory, California Institute of Technology.
Pasadena, CA, USA. http://speclib.jpl.nasa.gov/ (Consulta:
septiembre 19, 2008).
Kaufman, Y. J. and C. Sendra. 1988. Algorithm for automatic
atmospheric corrections to visible and near-IR satellite
imagery. Int. J. Remote Sens. 9: 1357-1381. doi:
10.1080/01431168808954942.
Kaufman, Y. J. and D. Tanré. 1996. Strategy for direct and indirect
methods for correcting the aerosol effect on remote sensing:
from AVHRR to EOS-MODIS. Remote Sens. Environ. 55:
65‑79.
Kaufman, Y. J., A. E. Wald, L. A. Remer, Bo-Cai Gao, R. Li, and L.
Flynn. 1997. The MODIS 2.1 mm channel - correlation with
visible reflectance for use in remote sensing of aerosol. IEEE
Trans. Geosci. Remote Sens. 35: 1286-1298.
Kaufman, Y. J., N. Gobron, B. Pinty, J. L. Widlowski, and M. M.
Vestraete. 2002. Relationship between surface reflectance in
the visible and mid-IR used in MODIS aerosol algorithm –
theory. Geophys. Res. Lett. 29: 31.1-31.4
Kuusk, A. 1994. A multispectral canopy reflectance model. Remote
Sens. Environ. 50: 75-82.
Kuusk, A. 2001. A two-layer canopy reflectance model. J. Quant.
Spect. Radiat. Trans. 71: 1-9.
 PALACIOS ET AL. CORRECTOR ATMOSFÉRICO EN IMÁGENES LANDSAT
Liang, S., H. Fang, and M. Cheng. 2001. Atmospheric correction of
Landsat ETM+ land surface imagery - Part I: Methods. IEEE
Trans. Geosci. Remote Sens. 39: 2490-2498.
Palacios S., L. A., F. Paz P., J. L. Oropeza M., B. Figueroa S., M.
Martínez M., C. A. Ortiz S. y A. Exebio G. 2006. Clasificador
genérico de objetos en imágenes ETM+. Agrociencia 40:
613‑626.
Price, J. C. 1990. On the information content of soil reflectance
spectra. Remote Sens. Environ. 33: 113-121.
Paz, F., E. Palacios, L. A. Palacios, L. Tijerina y E. Mejía. 2006.
Correcciones atmosféricas usando patrones invariantes en el
espacio del rojo e infrarrojo cercano. Rev. Latin. Rec. Nat. 2:
51-64.
Paz, F., M. Bolaños, E. Palacios, L. A. Palacios, M. Martínez y
A. Huete. 2008. Optimización del índice espectral de la
vegetación NDVIcp. Agrociencia 42: 925-937.
Remer, L. A., D. Tanré, and Y. J. Kaufman. 2006. Algorithm
for remote sensing of tropospheric aerosol from MODIS:
Collection 5. Product ID: MOD04/MYD04.
Richter, R. 1996. A spatially adaptive fast atmospheric correction
algorithm, Int. J. Remote Sens. 17: 1201-1214.
321
Richter, R. and D. Schläpfer. 2016. Atmospheric/topographic
correction for satellite imagery: ATCOR-2/3 User Guide, DLR
IB 565-01/16. Wil, Switzerland.
Vermote, E. F., D. Tanré, J. L. Deuze, M. Herman, and J. J.
Morcrete. 1997. Second simulation of the satellite signal in the
solar spectrum, 6S: An overview. IEEE Trans. Geosci. Remote
Sens. 35: 675-686.
Vermote, E. F. and A. Vermeulen. 1999. Atmospheric correction
algorithm: Spectral reflectance (MOD09). Version 4.0. NASA
contract NAS5-96062. (https://eospso.nasa.gov/sites/default/
files/atbd/atbd_mod08.pdf). (Consulta: octubre 20, 2008).
Vermote, E. F., S. Vibert, H. Kilcoyne, D. Hoyt, and T. Zhao. 2002.
Suspended matter. Visible/Infrared Imager/Radiometer Suite
algorithm theoretical basis document. SBRS Document #
Y2390, Raytheon Systems Company, Information Technology
and Scientific Services, Maryland, USA.
Wang, W. M., Z. L. Li, and H. B. Su. 2007. Comparison of leaf
angle distribution functions: Effects on extinction coefficient
and fraction of sunlit foliage. Agric. For. Meteorol. 143:
106‑122.
Wen, G., S. C. Tsay, R. F. Cahalan, and L. Oreopoulos. 1999. Path
radiance technique for retrieving aerosol optical thickness over
land. J. Geophys. Res. 104: 31321-31332.